SIMULASI KENDALI DERAU AKTIF UMPAN MAJU DENGAN MENGGUNAKAN ALGORITMA ADAPTIVE LINE ENHANCER - LEAST MEAN SQUARE(ALE-LMS).
SIMULASI KENDALI DERAU AKTIF UMPAN MAJU
DENGAN MENGGUNAKAN ALGORITMA ADAPTIVE LINE
ENHANCER - LEAST MEAN SQUARE (ALE-LMS)
Heru Dibyo Laksono
1), Uyung Gatot S. Dinata
2)1)
Jurusan Teknik Elektro - Universitas Andalas
2)
Jurusan Teknik Mesin - Universitas Andalas
ABSTRAKSinyal derau yang timbul dari sistem yang sedang beroperasi mengakibatkan performansi sistem kurang baik. Kendali derau aktif menghilangkan derau berdasarkan prinsip superposisi. Sinyal anti derau dibangkitkan dengan amplitudo yang sama dengan sinyal derau namun berbeda fasa 1800. Kedua sinyal ini dikombinasikan sehingga akan saling menghilangkan. Dengan menerapkan kendali derau aktif maka dapat menunjang performansi sistem agar lebih baik. Metoda yang digunakan untuk membangkitkan sinyal anti derau ini yaitu dengan menerapkan algoritma Adaptive Line Enhancer - Least Mean Square (ALE-LMS) untuk memperbaharui koefisien filter adaptif FIR (Finite Impulse Response). Masalah utama dalam kendali derau aktif dengan algoritma Adaptive Line Enhancer Least Mean Square (ALE-LMS) yaitu pemilihan nilai faktor konvergensi yang tepat untuk mendapatkan peredaman yang optimal, agar pengendali cepat konvergen dan performansi sistem lebih baik. Simulasi diawali dengan pembangkitan sinyal derau, kemudian menerapkan filter adaptif dengan algoritma Adaptive Line Enhacer - Least Mean Square (ALE-LMS) untuk mereduksi derau. Hasil simulasi memperlihatkan bahwa kendali derau aktif dengan algoritma Adaptive Line Enhacer - Least Mean Square (ALE-LMS) mampu meredam sinyal sinusoidal baik pada frekuensi 1000 Hz sebesar 28.32 dB dan meredam sinyal random sebesar 7.99dB.
Kata Kunci : kendali derau aktif, algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS) , faktor konvergensi, filter adaptif
1. PENDAHULUAN
Performansi sebuah sistem dapat terukur dari adanya sinyal derau yang ditimbulkannya. Sinyal derau akustik yang ditimbulkan oleh sistem yang sedang beroperasi dapat menurunkan performansi sistem tersebut dan sebaliknya. Masalah derau akustik menjadi lebih serius dengan bertambahnya penggunaan peralatan industri besar seperti mesin,
blower, kipas, trafo dan kompresor. Jika sinyal derau
ini dapat diredam, maka performansi sistem akan lebih baik dan lingkungan akan lebih tenang dan nyaman [1].
Untuk menangani hal ini, secara tradisional derau akustik dapat diredam dengan bahan-bahan peredam yang dikenal dengan metode peredam pasif. Bahan-bahan ini dapat berupa dinding pemisah, penghalang, ataupun penyerap suara[1]. Bahan tersebut ditempatkan disekitar sumber derau atau di ruangan yang intensitas deraunya hendak dikurangi. Prinsip peredam pasif yaitu pertukaran impedansi dengan adanya kombinasi bahan untuk menghilangkan suara yang tidak diinginkan. Ukuran dari peredam pasif sangat tergantung pada panjang gelombang sinyal derau yang akan dihilangkan. Oleh karena itu, untuk sinyal derau frekuensi rendah akan dibutuhkan bahan peredam yang lebih tebal yang tentu saja mempunyai massa yang lebih besar sehingga akan membutuhkan biaya yang lebih mahal.
Untuk menangani hal ini, secara tradisional derau akustik dapat diredam dengan bahan-bahan peredam yang dikenal dengan metode peredam pasif. Bahan-bahan ini dapat berupa dinding
pemisah, penghalang, ataupun penyerap suara[1]. Bahan tersebut ditempatkan disekitar sumber derau atau di ruangan yang intensitas deraunya hendak dikurangi. Prinsip peredam pasif yaitu pertukaran impedansi dengan adanya kombinasi bahan untuk menghilangkan suara yang tidak diinginkan. Ukuran dari peredam pasif sangat tergantung pada panjang gelombang sinyal derau yang akan dihilangkan. Oleh karena itu, untuk sinyal derau frekuensi rendah akan dibutuhkan bahan peredam yang lebih tebal yang tentu saja mempunyai massa yang lebih besar sehingga akan membutuhkan biaya yang lebih mahal.
Penelitian ini bertujuan melakukan simulasi untuk memperoleh bahan informasi untuk mendisain kontroler derau aktif yang adaptif dan dapat meredam sinyal derau terutama pada frekuensi rendah di suatu titik observasi dalam saluran akustik dengan menggunakan algoritma Adaptive Line enhancer-Least Mean Square (ALE-LMS) dengan sumber derau berupa rekaman derau blower serta menganalisa efek konvergensi dan panjang orde filter terhadap kinerja kendali derau aktif. Hasil penelitian ini dapat dijadikan bahan informasi untuk disain kontroler derau aktif (Active Noise Control)
yang mengendalikan derau secara aktif
menggunakan algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS). Dalam penelitian ini dilakukan pembatasan masalah sebagai berikut :
1. Simulasi kendali derau aktif dengan
menggunakan algoritma Adaptive Line
Enhacer - Least Mean Square (ALE - LMS) menggunakan pendekatan umpan maju
(2)
2. Struktur filter yang digunakan untuk sistem identifikasi dan kendali derau aktif adalah filter FIR (Finite Impulse Response)
3. Plant jalur sekunder dan primer berupa
asumsi yang dibangun dengan Fixed Filter FIR
4. Algoritma disimulasikan pada kendali derau aktif (Active Noise Control) sistem kanal tunggal SISO (Single Input Single Output) dan menggunakan toolbox Filter Design Matlab 7.0.1
2. KENDALI DERAU AKTIF 2.1 Sistem Kendali Derau Aktif
Ide peredaman derau secara aktif (Active
Noise Control) dengan mempertemukan dua buah
gelombang yang berbeda fasa tetapi memiliki nilai amplitudo yang sama. Pertama kali ditemukan oleh Paul Lueg dan telah dipatenkan pada tahun 1936[1]. Kendali derau aktif teraplikasi pada sistem elektro-akustik atau elektro-mekanik yang menghilangkan derau primer (derau yang tidak diinginkan) berdasarkan prinsip interferensi destruktif. Secara spesifik sinyal anti derau (derau sekunder) dari sumber sekunder yang memiliki amplitudo yang sama dan fasa yang berbeda 1800 dikombinasikan dengan derau primer, sehingga dapat dihasilkan sinyal residu minimum[1][4]. Prinsip ini terlihat pada Gambar -1 berikut :
Gambar -1. Konsep Penghilangan Derau Aktif[1] 2.2 Jenis Pendekatan Sistem Kendali Derau Aktif
Dilihat dari pengukuran atau informasi yang tersedia, sistem kendali derau aktif dapat dibagi menjadi dua pendekatan:
1. Sistem Umpan Maju (Feedforward),
pengukuran derau dekat dengan sumber derau dan sangat berkorelasi dengan derau yang harus dihilangkan.
Gambar -2 Kendali Derau Aktif Umpan Maju[1]
2. Sistem Umpan balik (Feedback), pengukuran
derau dilakukan setelah sumber sekunder.
Gambar-3 Kendali Derau Aktif Umpan Balik[1] 2.3 Kanal Kendali Derau Aktif
Klasifikasi kendali derau aktif lainnya dapat ditinjau dari jumlah kanal yang digunakan[4]:
1. Sistem kanal tunggal (single-channel) /
Single Input Single Output (SISO). Dibentuk
oleh satu sensor referensi, satu sumber sekunder dan satu sensor alat. Sistem ini cukup efektif untuk mengurangi derau dalam media satu dimensi, misalnya dalam saluran udara.
2. Sistem multi kanal (multi-channel) / Multiple
input Multiple Output (MIMO). Dirancang
untuk menghilangkan derau pada media tiga dimensi, terdiri dari deretan sensor dan sumber sekunder yang diatur dalam susunan tertentu.
Diagram blok dari sistem kendali derau aktif multi
kanal untuk aplikasi akustik tiga dimensi
diperlihatkan pada Gambar-4.
) (
1n
x ) (
2n x
) (
3 n x
) (n
xJ
) (
1n e
) (
2n
e
) ( 3n
e
) (n eM
) ( 1n
y
) (
2n
y ) (
3 n
y
) (n yK
) (n e ) (n
y
) (n
x
Gambar-4 Kendali Derau Aktif Multi Kanal Dalam Ruang 3-D [1]
2.4 Filter Digital Adaptif
Filter ini mendesain sendiri parameter untuk operasinya dengan algoritma berulang (recursive
algorithm), yang memungkinkannya efektif digunakan pada keadaan lingkungan karakteristik sinyal tidak diketahui[5]. Algoritma ini dimulai dari beberapa set kondisi awal (initial condition) yang ditentukan, ini merepresentasikan apapun yang di
ketahui mengenai lingkungan. Konsekuensi
langsung dari aplikasi recursive algorithm adalah parameter filter adaptif diperbaharui dari satu iterasi ke iterasi berikutnya. Pada prinsipnya filter digital adaptif terdiri dari dua bagian:
1. Filter Digital
Berfungsi untuk menghasilkan pemrosesan sinyal yang diinginkan
2. Algoritma Adaptif
Berfungsi untuk mengatur koefisien filter tersebut.
(3)
Gambar -5 Diagram Blok Filter Adaptif[1] Gambar-5 memperlihatkan diagram blok filter adaptif. Dimana d
( )
n merupakan sinyal input primer, y( )
n merupakan keluaran dari filter digital dengan masukan sinyal referensi x( )
n , dan galat( )
ne merupakan selisih d
( )
n dany
( )
n
. Fungsi dari algoritma adaptif adalah mengatur koefisien filter digital dan meminimisasi nilai kuadrat rata-rata terkecil dari e( )
n .2.5 Filter Digital
Secara umum, ada dua struktur filter digital yang dapat digunakan untuk filter digital adaptif yaitu filter respon impuls terbatas (finite impulse
response, FIR) dan filter respon impuls tak terbatas
(infinite impulse response, IIR)[1]. Algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS) dirancang berdasarkan filter FIR. Struktur filter FIR diperlihatkan pada Gambar -6.
∑ ∑ ∑
-1
Z Z-1 Z-1
W0 W1 W2 WL-1
x(n) x(n-1) x(n-2) x(n-L+1)
input
output
y(n)
Gambar -6 Struktur Filter FIR[1]
Filter FIR diilustrasikan sebagai sederetan
unit tunda (delay) dan unit penjumlahan
berkoefisien, sinyal keluaran filter dapat dihitung dengan persamaan:
∑
−=
−
=
L10 l
l
(n)x(n
l)
w
y(n)
(2.1)Dengan
w
( )
n
untukl
∈
{
0
1
…
L
-
1
}
menyatakan koefisien filter FIR berorde L, dan urutan data
{
x
( ) (
n
x
n
−
1
)
…
x
(
n
−
L
+
1
)
}
Didefinisikan vektor masukan pada waktu n:T
1)]
L
x(n
1)
x(n
[x(n)
x(n)
=
−
⋯
−
+
(2.2)vektor koefisien filter pada waktu n:
T
(n)]
w
(n)
w
(n)
[w
w(n)
=
0 1⋯
L−1 (2.3)dimana
T
menotasikan operator transpose.Selanjutnya keluaran filter sesuai persamaan (2.1) dapat dinyatakan dalam bentuk operasi vektor:
( ) ( )
n
.w
n
x
x(n)
.
(n)
w
y(n)
=
T=
T(2.4)
Jika keluaran filter
y
( )
n
dibandingkan dengan respon yang diinginkan,d
( )
n
, menghasilkan sinyal galat:( )
n
w
( ) ( )
n
x
n
d
y(n)
d(n)
e(n)
=
−
=
−
T (2.5)Dalam sistem kendali derau aktif, parameter
filter diperbaharui secara intensif supaya
meminimumkan suatu kriteria yang telah ditentukan terlebih dahulu. Kriteria yang diminimumkan tersebut diasumsikan sama dengan nilai ekspektasi jumlah kuadrat sinyal galat dan ditulis sebagai:
(n)]
2
E[e
ξ
(n)
J
=
=
(2.6)2.6 Algoritma Adaptif
Koefisien filter digital pada Gambar-5 dioptimasi berbasiskan galat kuadrat rata-rata, yaitu:
(n)]
E[e
ξ
(n)
=
2 (2.7)dimana E menyatakan nilai ekspektasi. Harga
[]
.ξ
(n)
pada filter FIR adaptif tergantung dari orde koefisien filterw
( )
n
. Jika kita asumsikan vektorkoefisien adaptif
w
( )
n
adalah sekuendeterministik, maka performansi galat kuadrat rata-rata dapat dinyatakan:
[ ]
d
(n)
2p
w(n)
w
(n)Rw(n)
E
ξ
(n)
=
2−
T+
T(2.8)
dimana
p
vektor korelasi silang antara sinyalmasukan dan yang diinginkan dan
R
adalah matrikautokorelasi masukan, yang didefinisikan: T dx
dx
dx
(0)r
(1)
r
(L
1)]
[r
]
E[d(n)x(n)
p
−
≡
≡
⋯
(2.9)
dimana
r
dx(k)
≡
E[d(n)x(n
−
k)
]
adalah fungsikorelasi silang antara
d
( )
n
dany
( )
n
. 2.7 Metoda Steepest DescentMetoda steepest descent menggunakan
pemograman linear dan optimisasi untuk mencari solusi yang meminimalkan fungsi objekif. Idenya adalah bergerak diatas permukaan galat dengan arah gradien pada suatu titik dan koefisien filter diperbaharui dengan arah gradien negatif dari permukaan galat pada setiap iterasi. Konsep steepest
descent dapat diimplementasikan sebagai berikut[1]
2
ξ
(n)
w(n)
1)
w(n
+
=
−
∇
(2.10)dimana
: Faktor konvergensi (step size) untuk mengendalikan stabilitas dan kecepatan
)
ξ
(n
∇
−
: Gradien fungsi galat dengan arahnegatif
Substitusi persamaan (2.8) menghasilkan:
Rw(n)]
[p
w(n)
1)
w(n
+
=
+
−
(2.11)Konvergensi dapat dibayangkan seperti
menaruh bola diatas permukaan baskom (permukaan galat kuadrat rata-rata) pada titik
[
w
( ) ( )
0
ξ
0
]
, kemudian bola dilepaskan dan akan menggelinding menuju permukaan paling bawah (berlawanan arah dengan gradien).(4)
2.8 Algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS)
Algoritma ini sederhana dan tidak
memerlukan pengkuadratan, rata-rata atau
diferensiasi. Algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS) dapat disimpulkan sebagai berikut:
1. Pilih parameter dan kondisi awal: L , dan
w(0)
dimanaL
adalah orde filter, adalah step size danw(0)
adalah kondisiawal vektor weight pada waktu
n
=
0
2. Hitung keluaran filter adaptif:
∑
−=
−
=
L10 l
l
(n)x(n
l)
w
y(n)
(2.12)3. Hitung sinyal galat
)
y(n
d(n)
e(n)
=
−
(2.13)4. Perbaharui vektor bobot adaptif dari
w
( )
n
kew
(
n
+
1
)
menggunakan algoritmal)e(n)
x(n
w(n)
1)
w(n
+
=
+
−
(2.14)Dimana
( ) (
)
(
)
{
x
n
x
n
−
1
…
x
n
−
L
+
1
}
2.9 Sistem Identifikasi Adaptif
Sistem identifikasi merupakan prosedur yang sangat penting yang sering digunakan pada sistem
kontrol, komunikasi dan pemrosesan sinyal.
Permasalahan pemfilteran adaptif banyak
diselesaikan dengan pendekatan sistem identifikasi. Sistem identifikasi adalah pendekatan eksperimen untuk pemodelan suatu proses atau plant[1]. Idenya adalah mengukur sinyal yang dihasilkan sistem dan menggunakannya untuk membangun suatu model. Paradigma sistem identifikasi (pemodelan) single-input / single-output sistem dinamis atau plant diilustrasikan seperti Gambar-8. Plant
P
( )
z
adalah sistem yang di identifikasi danW
( )
z
adalah filterdigital untuk memodelkan
P
( )
z
berdasarkanalgoritma galat minimal [1]. Filter adaptif dapat digunakan untuk pemodelan, khususnya untuk meniru karakteristik sistem.
Gambar -7 Sistem Identifikasi Adaptif[1] Sinyal input
x
( )
n
biasanya berupa whitenoise yang dieksitasikan secara simultan pada
adaptif filter dan unknown system. Keluaran
unknown system menjadi sinyal yang diinginkan
( )
n
d
bagi filter adaptif. Asumsikan bahwa sinyalinput
x
( )
n
menyediakan eksitasi spektral yang cukup, keluaran filter adaptify
( )
n
setelahkonvergen akan memperkirakan
d
( )
n
dalamkondisi yang optimum. Ini akan dicapai setelah koefisien filter adaptif diatur pada nilai yang sama dengan plant
P
( )
z
, ketika orde filter adaptif sesuai dengan plantP
( )
z
(keadaan konvergen). Dengandemikian, proses ini dikatakan telah
mengidentifikasi plant
P
( )
z
.Dengan mengeksitasi plant
P
( )
z
dan filter digitalw
( )
z
oleh masukan yang samax
( )
n
dan mengukur sinyal keluarand
( )
n
dany
( )
n
, karakteristikP
( )
z
dapat diperoleh dengan mangaturfilter adaptif
w
( )
z
untuk meminimalisasiperbedaan keluaran atau residu sinyal galat
e(n)
. Proses ini dilakukan oleh algoritma adaptif yangsecara iteratif menyesuaikan koefisien filter
sedemikian rupa sehingga diperoleh nilai rata-rata kuadrat
e(n)
yang minimal.2.10 Efek Jalur Sekunder
Pada Gambar-2 sinyal referensi elektrik didapatkan dari tekanan akustik meggunakan mikropon referensi, sinyal galat elektrik didapatkan dari residu derau akustik menggunakan mikropon galat. Kemudian sinyal suara anti derau harus
dihasilkan dari keluaran sinyal elektrik
menggunakan loudspeaker. Oleh karena itu, harus
ditambahkan fungsi tranfer
S
( )
z
untukmengkompensasi jalur sekunder dari
y
( )
n
menujue(n)
, yang terdiri atas DAC (Digital AnalogConverter), filter rekonstruksi, penguat daya,
loudspeaker, jalur akustik dari loudspeaker ke mikropon error, preamplifier, filter anti aliansing, dan ADC (Analog-Digital Converter).
) (
' z P
) (
' z S
) (z
R
Gambar -8 Blok Diagram Sistem ANC[1] Pada Gambar-8 terlihat bahwa fungsi transfer
( )
zS dibagi menjadi dua tingkat fungsi transfer:
)
(z
R(z)S
S(z)
=
' (2.15)(z)
S
' merepresentasikan fungsi transfer dari outputfilter adaptif ke summing junction (sistem
loudspeaker). Demikian pula halnya dengan fungsi
transfer
P
( )
z
dari sensor input ke sinyal galat dibagi menjadi dua tingkat:(5)
(z)
R(z)P
P(z)
=
' (2.16)Dimana
P
'(z)
adalah fungsi transfer plant akustik dari mikropon referensi ke summing junction. Koefisian filter adaptif harus konvergen pada nilai yang tepat untuk meminimalisasi sinyal error. 3. Pemodelan SistemImplementasi algoritma Adaptive Line
Enhacer - Least Mean Square (ALE - LMS) untuk meredam derau pada sistem kendali derau aktif dibagi dalam dua tahapan proses, yaitu proses identifikasi jalur sekunder dan proses kendali derau aktif. Pada perancangan sistem simulasi ini diasumsikan sistem dalam kondisi ideal, dalam arti sinyal referensi tidak dipengaruhi oleh umpan balik dari sumber sekunder.
3.1 Identifikasi Sistem
Algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS) membutuhkan bagaimana sebenarnya karakteristik
S
( )
z
. Prosesidentifikasi sistem merupakan penentuan model dari jalur sekunder yang akan dilalui sinyal dari kontroler dengan menggunakan algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS). Pada Gambar-9 diilustrasikan pemodelan sistem secara off
line.
) ( ˆ z
S
Gambar -9 Pemodelan Jalur Sekunder Secara Off
line[1][2]
Pada proses pengidentifikasian sistem ini dilakukan dengan membangkitkan sinyal random (white noise)
g
( )
n
dimana sinyal ini mempunyai kerapatan spektrum yang konstan pada semua frekuensi. Sinyal random yang dibangkitkan ini mempunyai nilai yang terdistribusi secara normal dengan rata-rata = 0, variansiσ
2=
1
dan standar
deviasi
σ
=
1
. Sinyal white noise yangdibangkitkan sebanyak 30000 data dengan frekuensi sampling 8000 Hz. Sehingga dihasilkan sinyal random sepanjang 3.75 detik. Sinyal random yang dibangkitkan seperti Gambar-10.
Gambar -10 Sinyal Random
Setelah membangkitkan sinyal random
( )
n
g
, dirancang propagasi dari jalur sekunder(fungsi transfer jalur sekunder) yaitu jalur aliran anti-noise dari output loudspeaker menuju mikropon galat. Perhitungan fungsi transfer ini dilakukan dengan beberapa tahapan untuk menghasilkan respon impuls sebuah sistem pada jalur sekunder.
Respon impuls jalur sekunder dirancang dengan band yang dibatasi pada range 160-2000 Hz dengan panjang filter 0.1 detik. Banyak data 800 sampel dan frekuensi sampling 8000 Hz. Respon impuls propagasi jalur sekunder dapat dilihat seperti Gambar-11
Gambar -11 Respon Impuls Jalur Sekunder S
( )
zSetelah dirancang propagasi pada jalur sekunder, dilakukan proses untuk identifikasi
propagasi aliran sekunder tersebut dengan
menggunakan pemodelan secara off line seperti pada Gambar-9
3.2 Pemodelan Sistem untuk ANC (Active
Noise Control) Dengan Algoritma Adaptive
Line Enhacer - Least Mean Square (ALE - LMS)
Model kendali derau aktif (ANC) umpan maju dengan algoritma Least Mean Square (LMS)
yang akan disimulasikan diilustrasikan pada
Gambar-12
∑
) ( ˆ z
S
Gambar-12 Model Sistem ANC Dengan Algoritma
Least Mean Square ( LMS) [1]
Dalam simulasi ANC ini, digunakan variasi input yang akan diredam (derau primer). Sinyal input yang disimulasikan yaitu sinyal random (acak), sinyal sinusoidal murni dengan frekuensi 50 Hz, 500 Hz, 1000 Hz, sinyal multi sinus dan kombinasi diantara sinyal random dan sinusoidal.
(6)
4 0 0 0 4 0 5 0 4 1 0 0 4 1 5 0 4 2 0 0 4 2 5 0 4 3 0 0 - 3
- 2 - 1 0 1 2
3 D e s i r e d S i g n a l
O u t p u t S i g n a l E r r o r S i g n a l
A
m
p
li
tu
d
o
I t e r a s i
0 500 1000 1500
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
N
ila
i S
in
ya
l
Data, n
Gambar -13 Sinyal Input Sinusoidal
f
=
50
HzGambar -14 Sinyal Input Sinusoidal + Random Sama halnya dengan proses identifikasi jalur sekunder
S
( )
z
, dirancang propagasi jalur primer( )
z
P
yaitu jalur propagasi derau primer yang akandihilangkan. Propagasi jalur primer juga
dikarakterisasi dengan menggunakan filter linear. Respon impuls jalur primer dirancang dengan band yang dibatasi pada range 40-1200 Hz dengan panjang filter 0.1 detik. Banyak data 800 sampel dan frekuensi sampling 8000 Hz. Respon impuls propagasi jalur primer dapat dilihat seperti Gambar -15
0 0 .0 1 0 .0 2 0 .0 3 0 .0 4 0 .0 5 0 .0 6 0 .0 7 0 .0 8 0 .0 9 -0 .3
-0 .2 -0 .1 0 0 .1 0 .2 0 .3
Waktu[s]
N
il
ai
K
o
ef
is
ie
n
Gambar-15 Respon Impuls Jalur Primer Kinerja hasil proses identifikasi dari jalur sekunder dan kendali derau aktif ditunjukkan oleh rasio antara sinyal referensi dengan sinyal galat dalam desibell (dB) secara global. Rasio antara sinyal referensi dengan sinyal galat secara global dinyatakan dengan SER ( signal to error ratio), dapat dihitung dengan persamaan:
n))))
log(var(e(
(n)))
(log(var(d
10
SER
=
−
(3.1)dimana
( )
( )
d nvar : varian dari sinyal input
( )
( )
envar : varian dari sinyal galat
Kesalahan kuadrat rata-rata (mean squared error /
MSE) pada setiap konvergensi parameter dihitung
dengan:
∑
=−
=
N0 n
2
y(n)]
[d(n)
N
1
MSE
(3.2)dimana
d(n)
: sinyal inputy(n)
: output filter yangmerepresentasikan estimasi dari sinyal input
4. Hasil dan Pembahasan
Pada bagian ini dilakukan simulasi sistem
kendali derau aktif umpan maju dengan
menggunakan algoritma Adaptive Line Enhacer - Least Mean Square (ALE – LMS) dan kemudian dilakukan analisis terhadap hasil dari sistem yang diuji. Pada penelitian ini, sinyal masukan derau primer yang diberikan pada sistem adalah sinyal sinusoidal dengan variasi frekuensi 50 Hz, 500 Hz dan 1000 Hz, sinyal random (acak) dan sinyal sinusoidal yang dikombinasikan dengan sinyal random.
4.1 Identifikasi Jalur Sekunder
Proses identifikasi dilakukan dengan
membangkitkan sinyal random yang digunakan sebagai sinyal input. Identifikasi jalur sekunder dilakukan dengan menggunakan filter FIR berorde
450
L
=
dan faktor konvergensi=
0.003
. Padaproses identifikasi sistem didapat nilai galat kuadrat rata-rata MSE terkecil yaitu sebesar 0.0105 dengan nilai redaman global SER terbesar yaitu 19.78016 dB. Algoritma konvergen setelah melakukan proses iterasi sekitar 2500 iterasi. Hasil identifikasi jalur sekunder dapat dilihat pada Gambar-16
Gambar- 16 Identifikasi Jalur Sekunder Pada Gambar-17 dapat dilihat grafik hubungan galat
MSE dengan faktor konvergensi .
Gambar -17 Galat Minimal Sistem Identifikasi 0
0.005 0.01 0.015 0.02 0.025 0.03
0 0.001 0.002 0.003 0.004 0.005 0.006 Faktor Konvergensi,
M
S
E
300 350 400 450 500 550
(7)
Gambar -18 Respon Magnitude Fungsi Transfer Jalur Sekunder
Gambar-19 Respon Phasa Fungsi Transfer Jalur Sekunder
Gambar -20 Respon Impuls Fungsi Transfer Jalur Sekunder
4.2 Simulasi Kendali Derau Aktif Dengan Algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS)
Setelah dilakukan proses identifikasi jalur sekunder untuk mendapatkan model jalur sekunder baru dilakukan proses penghilangan derau (
cancelling noise ) dengan sistem kendali derau aktif.
Simulasi ini dilakukan denagn sistem ANC pendekatan umpan maju dengan menggunakan algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS). Sebagai masukan digunakan variasi sinyal input sinusoidal, sinyal acak dan kombinasi diantara keduanya.
4.2.1 Input Sinyal Sinusoidal
f
=
50
HzTabel-1 Hasil Peredaman Input Sinyal Sinusoidal 50 Hz
Orde 60
SER(dB) MSE
0.0100 5.7566 0.5266
0.0400 11.6778 0.1200
0.0700 14.3797 0.0904
0.1000 16.3257 0.0169
0.4100 13.5334 9.78E-02
0.5000 -865.4332 2.051E+86
Orde 70
SER(dB) MSE
0.0100 8.1483 0.3848
0.0400 14.6237 0.0550
0.0700 17.0055 0.0460
0.1000 19.0141 0.0156
0.3100 18.1486 0.0275
0.4000 -2.96E+03 1.11E+299
Orde 80
SER(dB) MSE
0.0100 8.7125 0.2093
0.0400 15.3931 0.0474
0.0700 17.4831 0.0242
0.1000 15.8313 0.0315
0.3100 13.5597 9.63E-02
0.4000 3.17E+197 3.5E+197
Berdasarkan Tabel-1 peredaman optimum didapatkan pada kendali derau aktif dengan orde filter
L
=
70
dan faktor konvergensi=
0
.
1
. Terbukti dengan redaman global sebesar 19.0141 dB dan MSE = 0.0156. Berdasarkan hasil pada Tabel-1, dapat digambarkan grafik hubungan galat MSE dengan faktor konvergensi seperti pada Gambar-21Gambar -21 Galat Minimal ANC Least Mean
Square (LMS) Input Sinusoidal 50 Hz
4.2.2 Input Sinyal Random
Tabel-2. Hasil Peredaman Input Sinyal Random
Orde 400
SER(dB) MSE
0.00007 5.7027 0.2736
0.00009 6.0490 0.2571
0.0001 6.0622 0.2522
0.0002 7.7412 0.1721
0.0004 7.0915 0.2005
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 -60
-50 -40 -30 -20 -10 0 10 20
Normalized Frequency (×π rad/sample)
M
a
g
n
itu
d
e
(
d
B
)
Magnitude Response (dB)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 -14000
-12000 -10000 -8000 -6000 -4000 -2000 0
Normalized Frequency (×π rad/sample)
P
h
a
s
e
(
d
e
g
re
e
s
)
Phase Response
0 50 100 150 200 250 300 350 400 -0.25
-0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2 0.25
Samples Impulse Response
A
m
p
lit
u
d
e
0 0.1 0.2 0.3 0.4 0.5 0.6
0 0.1 0.2 0.3 0.4 0.5
Faktor Konvergensi,
M
S
E 60
70 80
(8)
500
SER(dB) MSE
0.00007 4.7107 0.3450
0.00009 5.7706 0.2731
0.0001 6.6857 0.2171
0.0002 7.9943 0.1643
0.0003 6.4995 0.2286
600
SER(dB) MSE
0.00007 5.9803 0.2589
0.00009 6.1896 0.2446
0.0001 6.5519 0.2243
0.0002 7.6985 0.1746
0.00025 6.4916 0.2329
Berdasarkan Tabel-2 peredaman optimum didapatkan pada kendali derau aktif dengan orde
filter
L
=
500
dan faktor konvergensi0.0002
=
. Terbukti dengan redaman globalsebesar 7.99433 dB dan MSE = 0.16427.
Berdasarkan hasil pada Tabel-2, dapat digambarkan grafik hubungan galat MSE dengan faktor konvergensi seperti pada Gambar -22.
Gambar -22 Galat Minimal ANC Adaptive Line Enhacer - Least Mean Square (ALE - LMS)Input
Sinyal Random
4.2.3 Input Sinyal Sinusoidal dan Random Tabel-3 Hasil Peredaman Input Sinyal Sinusoidal +
Random Orde 400
SER(dB) MSE
0.00004 6.0082 1.3392
0.00007 7.3734 1.1485
0.0001 7.4239 0.8118
0.0002 7.2929 0.8823
0.0003 6.8108 1.8153
Orde 450
SER(dB) MSE
0.00004 6.4023 1.1591
0.00007 8.9195 0.7365
0.0001 7.7846 0.7580
0.0002 7.5434 1.1869
0.0003 5.6813 1.8808
Orde 500
SER(dB) MSE
0.00004 7.2150 1.6230
0.00007 8.2730 1.0085
0.0001 7.0306 1.4378
0.0002 5.3269 1.7804
0.00025 5.85E+00 2.2867
Berdasarkan Tabel-3 peredaman optimum didapatkan pada kendali derau aktif dengan orde
filter
L
=
450
dan faktor konvergensi0.00007
=
. Terbukti dengan redaman globalsebesar 8.91956 dB dan MSE = 0.73646.
L
=
400
.Berdasarkan hasil pada Tabel-3, dapat digambarkan
grafik hubungan galat MSE dengan faktor
konvergensi seperti pada Gambar -23.
Gambar -23 Galat Minimal ANC Adaptive Line Enhacer - Least Mean Square (ALE - LMS) Input
Sinusoidal + Random
Hasil simulasi ANC menunjukkan bahwa pemilihan faktor konvergensi dan orde filter yang tepat sangat menentukan performansi sistem. Dari keseluruhan simulasi ANC dengan menggunakan algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS) dengan berbagai sinyal input, didapatkan peredaman yang paling optimal yang selalu berbeda-beda pada tiap-tiap jenis input. Pada input sinusoidal
f
=
50
Hz didapatkan redamanglobal 19.0141 dB, pada
f
=
500
Hz sebesar23.2399 dB dan pada 1000 Hz sebesar 28.3209 dB. Sedangkan pada input multi sinusoidal (kombinasi) 50 Hz, 500 Hz, dan 1000 Hz, sistem ANC hanya mampu meredam sinyal sebesar 13.2802 dB. Peredaman semakin kecil jika sinyal input derau primer berupa sinyal random (acak), disini peredaman hanya sebesar 7.9943 dB. Tetapi jika sinyal random dikombinasikan dengan sinyal sinusoidal dengan frekuensi 50 Hz, 500 Hz dan 1000 Hz, peredaman sistem sedikit lebih baik, dimana peredaman sebesar 8.9196 dB.
Jadi pada input derau sinyal sinusoidal dengan frekuensi 1000 Hz sinyal teredam dengan sangat baik, dan peredaman terkecil diperoleh pada
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0 0.0002 0.0004 0.0006
Faktor Konvergensi,
M
S
E 400
500 600
0 0.5 1 1.5 2 2.5
0 0.0001 0.0002 0.0003 0.0004
Faktor Konvergensi,
M
S
E 400
450 500
(9)
input derau sinyal random (acak). Hal ini disebabkan karena sinyal random strukturnya tidak beraturan dibandingkan sinyal sinusoidal yang beraturan dan periodik. Oleh karena itu, pada input sinyal random digunakan orde filter yang lebih besar dari pada sinyal sinusoidal. Pemilihan orde filter yang besar ini juga harus diimbangi dengan pemilihan faktor konvergensi yang kecil. Jadi orde filter berbanding terbalik dengan faktor konvergensi.
5. Kesimpulan
Berdasarkan hasil simulasi kendali derau aktif dengan algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS) pada penelitian ini, dapat disimpulkan:
1. Pemilihan faktor konvergensi
( )
µ
dan orde filter (L) yang tepat sangat menentukankinerja kendali derau aktif karena
mempengaruhi stabilitas dan kecepatan
konvergensi.
2. Semakin besar faktor konvergensi maka
algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS) akan semakin
cepat konvergen. Jika terlalu besar
mengakibatkan sistem tidak stabil. Karena itu perlu ditentukan nilai optimalnya.
3. Hasil simulasi menunjukkan bahwa orde
yang besar cenderung optimal meredam derau pada faktor konvergensi yang kecil. Jadi faktor konvergensi berbanding terbalik dengan orde filter.
4. Kendali derau aktif dengan algoritma
Adaptive Line Enhacer - Least Mean Square (ALE - LMS) mampu meredam sinyal sinusoidal frekuensi 1000 Hz sebesar 28.3209 dB dan sinyal random 7.99 dB. Jadi algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS) bekerja dengan lebih optimal
pada sinyal derau primer sinusoidal
dibandingkan sinyal random. Daftar Pustaka
[1] Kuo, Sen M dan Morgan, Dennis R, ”Active Noise Control Algorithm and DSP Implementations”, John Willy & Sons INC. .
New York:, 1996
[2] Fauzy, Sofyan, “Perancangan dan
Implementasi Sistem Kendali Derau Aktif Umpan Maju Dengan Algoritma X-LMS Berbasis TMS320C54X DSKPLUS Pada Saluran Akustik”, Tugas Akhir, ITB, 1998
[3] Resmana, Lim dan Patrick, Marco Jennifer, ”Reduksi Noise Akustik Secara Aktif Dengan Metoda Filtered-X Least Mean Square”., Tugas Akhir, Petra, Surabaya,
2002
[4] Husnaini, Irma, “Perancangan dan
Implementasi Sistem Kendali Derau Aktif Umpan Maju Broadband Pada Ruang Terbuka”, Tesis, ITB, 2005
[5] Haykin, Simon, ”Adaptive Filter Theory”,
Third Edition. New Jersey, Prentice-Hall International, INC, New Jersey, 2000
[6] Yuu-Seng Lau, Zahir M. Hussian and
Richard Harris. “A Time-Varying
Convergence Parameter for the LMS Algorithm in the Presence of White Gaussian Noise”, RMIT University. Australia, 2000
[7] “Acoustic Modeling and Adaptive Filtering”. http://www.ntu.edu.sg
[8] L.Hakansson. “The Filtered-x LMS
Algorithm”, www.its.bth.se
[9] Orlando J. Tobias, José Carlos M. Bermudez,
Member, IEEE, and Neil J. Bershad, Fellow, IEEE. “Mean Weight Behavior of the Filtered-X LMS Algorithm”,
www.eel.ufsc.br/~bermudez, IEEE, 2000 [10] “Theory of Active Noise Control”,
www.wa.wb.utwente.nl
[11] S.V.Narasimhan, S. Veena, H. Lokesha and Savitha S. Shankarling, “Algorithms for Active Noise Control and their Performance”. Aerospace Electronics and
Systems Division. Bangalore, India , 2005 BIODATA
Heru Dibyo Laksono, Lahir di Sawah Lunto, 7 Januari 1977. Menamatkan S1 di Jurusan Teknik Elektro Universitas Andalas (Unand) Padang tahun 2000 bidang Teknik Tenaga Listrik. Pendidikan S2 bidang Teknik Kendali dan Sistem diselesaikan di Institute Teknologi Bandung (ITB) tahun 2004. Masuk sebagai dosen Teknik Elektro Universitas Andalas sejak tahun 2005.
Email : heru_dl@ft.unand.ac.id
Uyung Gatot Syafrawi Dinata, Lahir di Pandeglang, 9 Juli 1966. Menamatkan S1 di Jurusan Teknik Mesin Universitas Andalas (Unand) Padang tahun 1991. Pendidikan S2 bidang Teknik Mesin diselesaikan di Institute Teknologi Bandung (ITB) tahun 1994 dan S3 bidang Teknik Mesin & Transportasi di Technische Universitaet Berlin tahun 2002.
(1)
TeknikA 35 2.8 Algoritma Adaptive Line Enhacer - Least
Mean Square (ALE - LMS)
Algoritma ini sederhana dan tidak
memerlukan pengkuadratan, rata-rata atau
diferensiasi. Algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS) dapat disimpulkan sebagai berikut:
1. Pilih parameter dan kondisi awal: L , dan
w(0)
dimanaL
adalah orde filter,adalah step size dan
w(0)
adalah kondisiawal vektor weight pada waktu
n
=
0
2. Hitung keluaran filter adaptif:
∑
−=
−
=
L10 l
l
(n)x(n
l)
w
y(n)
(2.12)3. Hitung sinyal galat
)
y(n
d(n)
e(n)
=
−
(2.13)4. Perbaharui vektor bobot adaptif dari
w
( )
n
ke
w
(
n
+
1
)
menggunakan algoritmal)e(n)
x(n
w(n)
1)
w(n
+
=
+
−
(2.14)Dimana
( ) (
)
(
)
{
x
n
x
n
−
1
…
x
n
−
L
+
1
}
2.9 Sistem Identifikasi Adaptif
Sistem identifikasi merupakan prosedur yang sangat penting yang sering digunakan pada sistem
kontrol, komunikasi dan pemrosesan sinyal.
Permasalahan pemfilteran adaptif banyak
diselesaikan dengan pendekatan sistem identifikasi. Sistem identifikasi adalah pendekatan eksperimen untuk pemodelan suatu proses atau plant[1]. Idenya adalah mengukur sinyal yang dihasilkan sistem dan menggunakannya untuk membangun suatu model. Paradigma sistem identifikasi (pemodelan) single-input / single-output sistem dinamis atau plant
diilustrasikan seperti Gambar-8. Plant
P
( )
z
adalahsistem yang di identifikasi dan
W
( )
z
adalah filterdigital untuk memodelkan
P
( )
z
berdasarkanalgoritma galat minimal [1]. Filter adaptif dapat digunakan untuk pemodelan, khususnya untuk meniru karakteristik sistem.
Gambar -7 Sistem Identifikasi Adaptif[1]
Sinyal input
x
( )
n
biasanya berupa whitenoise yang dieksitasikan secara simultan pada
adaptif filter dan unknown system. Keluaran
unknown system menjadi sinyal yang diinginkan
( )
n
d
bagi filter adaptif. Asumsikan bahwa sinyalinput
x
( )
n
menyediakan eksitasi spektral yangcukup, keluaran filter adaptif
y
( )
n
setelahkonvergen akan memperkirakan
d
( )
n
dalamkondisi yang optimum. Ini akan dicapai setelah koefisien filter adaptif diatur pada nilai yang sama
dengan plant
P
( )
z
, ketika orde filter adaptif sesuaidengan plant
P
( )
z
(keadaan konvergen). Dengandemikian, proses ini dikatakan telah
mengidentifikasi plant
P
( )
z
.Dengan mengeksitasi plant
P
( )
z
dan filterdigital
w
( )
z
oleh masukan yang samax
( )
n
danmengukur sinyal keluaran
d
( )
n
dany
( )
n
,karakteristik
P
( )
z
dapat diperoleh dengan mangaturfilter adaptif
w
( )
z
untuk meminimalisasiperbedaan keluaran atau residu sinyal galat
e(n)
.Proses ini dilakukan oleh algoritma adaptif yang
secara iteratif menyesuaikan koefisien filter
sedemikian rupa sehingga diperoleh nilai rata-rata
kuadrat
e(n)
yang minimal.2.10 Efek Jalur Sekunder
Pada Gambar-2 sinyal referensi elektrik didapatkan dari tekanan akustik meggunakan mikropon referensi, sinyal galat elektrik didapatkan dari residu derau akustik menggunakan mikropon galat. Kemudian sinyal suara anti derau harus
dihasilkan dari keluaran sinyal elektrik
menggunakan loudspeaker. Oleh karena itu, harus
ditambahkan fungsi tranfer
S
( )
z
untukmengkompensasi jalur sekunder dari
y
( )
n
menujue(n)
, yang terdiri atas DAC (Digital AnalogConverter), filter rekonstruksi, penguat daya,
loudspeaker, jalur akustik dari loudspeaker ke mikropon error, preamplifier, filter anti aliansing, dan ADC (Analog-Digital Converter).
) (
' z P
) (
' z S
) (z
R
Gambar -8 Blok Diagram Sistem ANC[1]
Pada Gambar-8 terlihat bahwa fungsi transfer
( )
zS dibagi menjadi dua tingkat fungsi transfer:
)
(z
R(z)S
S(z)
=
' (2.15)(z)
S
' merepresentasikan fungsi transfer dari outputfilter adaptif ke summing junction (sistem
loudspeaker). Demikian pula halnya dengan fungsi
transfer
P
( )
z
dari sensor input ke sinyal galat dibagi(2)
TeknikA 36
(z)
R(z)P
P(z)
=
' (2.16)Dimana
P
'(z)
adalah fungsi transfer plant akustikdari mikropon referensi ke summing junction. Koefisian filter adaptif harus konvergen pada nilai yang tepat untuk meminimalisasi sinyal error.
3. Pemodelan Sistem
Implementasi algoritma Adaptive Line
Enhacer - Least Mean Square (ALE - LMS) untuk meredam derau pada sistem kendali derau aktif dibagi dalam dua tahapan proses, yaitu proses identifikasi jalur sekunder dan proses kendali derau aktif. Pada perancangan sistem simulasi ini diasumsikan sistem dalam kondisi ideal, dalam arti sinyal referensi tidak dipengaruhi oleh umpan balik dari sumber sekunder.
3.1 Identifikasi Sistem
Algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS) membutuhkan
bagaimana sebenarnya karakteristik
S
( )
z
. Prosesidentifikasi sistem merupakan penentuan model dari jalur sekunder yang akan dilalui sinyal dari kontroler dengan menggunakan algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS). Pada Gambar-9 diilustrasikan pemodelan sistem secara off
line.
) ( ˆ z S
Gambar -9 Pemodelan Jalur Sekunder Secara Off
line[1][2]
Pada proses pengidentifikasian sistem ini dilakukan dengan membangkitkan sinyal random
(white noise)
g
( )
n
dimana sinyal ini mempunyaikerapatan spektrum yang konstan pada semua frekuensi. Sinyal random yang dibangkitkan ini mempunyai nilai yang terdistribusi secara normal
dengan rata-rata = 0, variansi
σ
2=
1
dan standar
deviasi
σ
=
1
. Sinyal white noise yangdibangkitkan sebanyak 30000 data dengan frekuensi sampling 8000 Hz. Sehingga dihasilkan sinyal random sepanjang 3.75 detik. Sinyal random yang dibangkitkan seperti Gambar-10.
Gambar -10 Sinyal Random
Setelah membangkitkan sinyal random
( )
n
g
, dirancang propagasi dari jalur sekunder(fungsi transfer jalur sekunder) yaitu jalur aliran anti-noise dari output loudspeaker menuju mikropon galat. Perhitungan fungsi transfer ini dilakukan dengan beberapa tahapan untuk menghasilkan respon impuls sebuah sistem pada jalur sekunder.
Respon impuls jalur sekunder dirancang dengan band yang dibatasi pada range 160-2000 Hz dengan panjang filter 0.1 detik. Banyak data 800 sampel dan frekuensi sampling 8000 Hz. Respon impuls propagasi jalur sekunder dapat dilihat seperti Gambar-11
Gambar -11 Respon Impuls Jalur Sekunder S
( )
zSetelah dirancang propagasi pada jalur sekunder, dilakukan proses untuk identifikasi
propagasi aliran sekunder tersebut dengan
menggunakan pemodelan secara off line seperti pada Gambar-9
3.2 Pemodelan Sistem untuk ANC (Active
Noise Control) Dengan Algoritma Adaptive
Line Enhacer - Least Mean Square (ALE - LMS)
Model kendali derau aktif (ANC) umpan maju dengan algoritma Least Mean Square (LMS)
yang akan disimulasikan diilustrasikan pada
Gambar-12
∑
) ( ˆ z
S
Gambar-12 Model Sistem ANC Dengan Algoritma
Least Mean Square ( LMS) [1]
Dalam simulasi ANC ini, digunakan variasi input yang akan diredam (derau primer). Sinyal input yang disimulasikan yaitu sinyal random (acak), sinyal sinusoidal murni dengan frekuensi 50 Hz, 500 Hz, 1000 Hz, sinyal multi sinus dan kombinasi diantara sinyal random dan sinusoidal.
(3)
4 0 0 0 4 0 5 0 4 1 0 0 4 1 5 0 4 2 0 0 4 2 5 0 4 3 0 0 - 3
- 2 - 1 0 1 2
3 D e s i r e d S i g n a l
O u t p u t S i g n a l E r r o r S i g n a l
A
m
p
li
tu
d
o
I t e r a s i
0 500 1000 1500
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
N
ila
i S
in
ya
l
Data, n
Gambar -13 Sinyal Input Sinusoidal
f
=
50
HzGambar -14 Sinyal Input Sinusoidal + Random
Sama halnya dengan proses identifikasi jalur
sekunder
S
( )
z
, dirancang propagasi jalur primer( )
z
P
yaitu jalur propagasi derau primer yang akandihilangkan. Propagasi jalur primer juga
dikarakterisasi dengan menggunakan filter linear. Respon impuls jalur primer dirancang dengan band yang dibatasi pada range 40-1200 Hz dengan panjang filter 0.1 detik. Banyak data 800 sampel dan frekuensi sampling 8000 Hz. Respon impuls propagasi jalur primer dapat dilihat seperti Gambar -15
0 0 .0 1 0 .0 2 0 .0 3 0 .0 4 0 .0 5 0 .0 6 0 .0 7 0 .0 8 0 .0 9
-0 .3 -0 .2 -0 .1 0 0 .1 0 .2 0 .3
Waktu[s]
N
il
ai
K
o
ef
is
ie
n
Gambar-15 Respon Impuls Jalur Primer
Kinerja hasil proses identifikasi dari jalur sekunder dan kendali derau aktif ditunjukkan oleh rasio antara sinyal referensi dengan sinyal galat dalam desibell (dB) secara global. Rasio antara sinyal referensi dengan sinyal galat secara global dinyatakan dengan SER ( signal to error ratio), dapat dihitung dengan persamaan:
n))))
log(var(e(
(n)))
(log(var(d
10
SER
=
−
(3.1)dimana
( )
( )
d nvar : varian dari sinyal input
( )
( )
envar : varian dari sinyal galat
Kesalahan kuadrat rata-rata (mean squared error /
MSE) pada setiap konvergensi parameter dihitung
dengan:
∑
=
−
=
N0 n
2
y(n)]
[d(n)
N
1
MSE
(3.2)dimana
d(n)
: sinyal inputy(n)
: output filter yangmerepresentasikan estimasi dari sinyal input
4. Hasil dan Pembahasan
Pada bagian ini dilakukan simulasi sistem
kendali derau aktif umpan maju dengan
menggunakan algoritma Adaptive Line Enhacer - Least Mean Square (ALE – LMS) dan kemudian dilakukan analisis terhadap hasil dari sistem yang diuji. Pada penelitian ini, sinyal masukan derau primer yang diberikan pada sistem adalah sinyal sinusoidal dengan variasi frekuensi 50 Hz, 500 Hz dan 1000 Hz, sinyal random (acak) dan sinyal sinusoidal yang dikombinasikan dengan sinyal random.
4.1 Identifikasi Jalur Sekunder
Proses identifikasi dilakukan dengan
membangkitkan sinyal random yang digunakan sebagai sinyal input. Identifikasi jalur sekunder dilakukan dengan menggunakan filter FIR berorde
450
L
=
dan faktor konvergensi=
0.003
. Padaproses identifikasi sistem didapat nilai galat kuadrat rata-rata MSE terkecil yaitu sebesar 0.0105 dengan nilai redaman global SER terbesar yaitu 19.78016 dB. Algoritma konvergen setelah melakukan proses iterasi sekitar 2500 iterasi. Hasil identifikasi jalur sekunder dapat dilihat pada Gambar-16
Gambar- 16 Identifikasi Jalur Sekunder
Pada Gambar-17 dapat dilihat grafik hubungan galat
MSE dengan faktor konvergensi .
Gambar -17 Galat Minimal Sistem Identifikasi
0 0.005 0.01 0.015 0.02 0.025 0.03
0 0.001 0.002 0.003 0.004 0.005 0.006
Faktor Konvergensi,
M
S
E
300 350 400 450 500 550
(4)
Gambar -18 Respon Magnitude Fungsi Transfer
Jalur Sekunder
Gambar-19 Respon Phasa Fungsi Transfer Jalur
Sekunder
Gambar -20 Respon Impuls Fungsi Transfer Jalur
Sekunder
4.2 Simulasi Kendali Derau Aktif Dengan Algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS)
Setelah dilakukan proses identifikasi jalur sekunder untuk mendapatkan model jalur sekunder baru dilakukan proses penghilangan derau (
cancelling noise ) dengan sistem kendali derau aktif.
Simulasi ini dilakukan denagn sistem ANC pendekatan umpan maju dengan menggunakan algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS). Sebagai masukan digunakan variasi sinyal input sinusoidal, sinyal acak dan kombinasi diantara keduanya.
4.2.1 Input Sinyal Sinusoidal
f
=
50
HzTabel-1 Hasil Peredaman Input Sinyal Sinusoidal 50
Hz Orde 60
SER(dB) MSE
0.0100 5.7566 0.5266
0.0400 11.6778 0.1200
0.0700 14.3797 0.0904
0.1000 16.3257 0.0169
0.4100 13.5334 9.78E-02
0.5000 -865.4332 2.051E+86
Orde 70
SER(dB) MSE
0.0100 8.1483 0.3848
0.0400 14.6237 0.0550
0.0700 17.0055 0.0460
0.1000 19.0141 0.0156
0.3100 18.1486 0.0275
0.4000 -2.96E+03 1.11E+299
Orde 80
SER(dB) MSE
0.0100 8.7125 0.2093
0.0400 15.3931 0.0474
0.0700 17.4831 0.0242
0.1000 15.8313 0.0315
0.3100 13.5597 9.63E-02
0.4000 3.17E+197 3.5E+197
Berdasarkan Tabel-1 peredaman optimum didapatkan pada kendali derau aktif dengan orde
filter
L
=
70
dan faktor konvergensi=
0
.
1
.Terbukti dengan redaman global sebesar 19.0141 dB dan MSE = 0.0156. Berdasarkan hasil pada Tabel-1, dapat digambarkan grafik hubungan galat MSE
dengan faktor konvergensi seperti pada
Gambar-21
Gambar -21 Galat Minimal ANC Least Mean
Square (LMS) Input Sinusoidal 50 Hz
4.2.2 Input Sinyal Random
Tabel-2. Hasil Peredaman Input Sinyal Random
Orde 400
SER(dB) MSE
0.00007 5.7027 0.2736
0.00009 6.0490 0.2571
0.0001 6.0622 0.2522
0.0002 7.7412 0.1721
0.0004 7.0915 0.2005
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
-60 -50 -40 -30 -20 -10 0 10 20
Normalized Frequency (×π rad/sample)
M
a
g
n
itu
d
e
(
d
B
)
Magnitude Response (dB)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
-14000 -12000 -10000 -8000 -6000 -4000 -2000 0
Normalized Frequency (×π rad/sample)
P
h
a
s
e
(
d
e
g
re
e
s
)
Phase Response
0 50 100 150 200 250 300 350 400
-0.25 -0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2 0.25
Samples Impulse Response
A
m
p
lit
u
d
e
0 0.1 0.2 0.3 0.4 0.5 0.6
0 0.1 0.2 0.3 0.4 0.5
Faktor Konvergensi,
M
S
E 60
70 80
(5)
500
SER(dB) MSE
0.00007 4.7107 0.3450
0.00009 5.7706 0.2731
0.0001 6.6857 0.2171
0.0002 7.9943 0.1643
0.0003 6.4995 0.2286
600
SER(dB) MSE
0.00007 5.9803 0.2589
0.00009 6.1896 0.2446
0.0001 6.5519 0.2243
0.0002 7.6985 0.1746
0.00025 6.4916 0.2329
Berdasarkan Tabel-2 peredaman optimum didapatkan pada kendali derau aktif dengan orde
filter
L
=
500
dan faktor konvergensi0.0002
=
. Terbukti dengan redaman globalsebesar 7.99433 dB dan MSE = 0.16427.
Berdasarkan hasil pada Tabel-2, dapat digambarkan grafik hubungan galat MSE dengan
faktor konvergensi seperti pada Gambar -22.
Gambar -22 Galat Minimal ANC Adaptive Line
Enhacer - Least Mean Square (ALE - LMS)Input Sinyal Random
4.2.3 Input Sinyal Sinusoidal dan Random Tabel-3 Hasil Peredaman Input Sinyal Sinusoidal +
Random Orde 400
SER(dB) MSE
0.00004 6.0082 1.3392
0.00007 7.3734 1.1485
0.0001 7.4239 0.8118
0.0002 7.2929 0.8823
0.0003 6.8108 1.8153
Orde 450
SER(dB) MSE
0.00004 6.4023 1.1591
0.00007 8.9195 0.7365
0.0001 7.7846 0.7580
0.0002 7.5434 1.1869
0.0003 5.6813 1.8808
Orde 500
SER(dB) MSE
0.00004 7.2150 1.6230
0.00007 8.2730 1.0085
0.0001 7.0306 1.4378
0.0002 5.3269 1.7804
0.00025 5.85E+00 2.2867
Berdasarkan Tabel-3 peredaman optimum didapatkan pada kendali derau aktif dengan orde
filter
L
=
450
dan faktor konvergensi0.00007
=
. Terbukti dengan redaman globalsebesar 8.91956 dB dan MSE = 0.73646.
L
=
400
.Berdasarkan hasil pada Tabel-3, dapat digambarkan
grafik hubungan galat MSE dengan faktor
konvergensi seperti pada Gambar -23.
Gambar -23 Galat Minimal ANC Adaptive Line
Enhacer - Least Mean Square (ALE - LMS) Input Sinusoidal + Random
Hasil simulasi ANC menunjukkan bahwa pemilihan faktor konvergensi dan orde filter yang tepat sangat menentukan performansi sistem. Dari keseluruhan simulasi ANC dengan menggunakan algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS) dengan berbagai sinyal input, didapatkan peredaman yang paling optimal yang selalu berbeda-beda pada tiap-tiap jenis input. Pada
input sinusoidal
f
=
50
Hz didapatkan redamanglobal 19.0141 dB, pada
f
=
500
Hz sebesar23.2399 dB dan pada 1000 Hz sebesar 28.3209 dB. Sedangkan pada input multi sinusoidal (kombinasi) 50 Hz, 500 Hz, dan 1000 Hz, sistem ANC hanya mampu meredam sinyal sebesar 13.2802 dB. Peredaman semakin kecil jika sinyal input derau primer berupa sinyal random (acak), disini peredaman hanya sebesar 7.9943 dB. Tetapi jika sinyal random dikombinasikan dengan sinyal sinusoidal dengan frekuensi 50 Hz, 500 Hz dan 1000 Hz, peredaman sistem sedikit lebih baik, dimana peredaman sebesar 8.9196 dB.
Jadi pada input derau sinyal sinusoidal dengan frekuensi 1000 Hz sinyal teredam dengan sangat baik, dan peredaman terkecil diperoleh pada
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0 0.0002 0.0004 0.0006 Faktor Konvergensi,
M
S
E 400
500 600
0 0.5 1 1.5 2 2.5
0 0.0001 0.0002 0.0003 0.0004
Faktor Konvergensi,
M
S
E 400
450 500
(6)
TeknikA 40
input derau sinyal random (acak). Hal ini disebabkan karena sinyal random strukturnya tidak beraturan dibandingkan sinyal sinusoidal yang beraturan dan periodik. Oleh karena itu, pada input sinyal random digunakan orde filter yang lebih besar dari pada sinyal sinusoidal. Pemilihan orde filter yang besar ini juga harus diimbangi dengan pemilihan faktor konvergensi yang kecil. Jadi orde filter berbanding terbalik dengan faktor konvergensi.
5. Kesimpulan
Berdasarkan hasil simulasi kendali derau aktif dengan algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS) pada penelitian ini, dapat disimpulkan:
1. Pemilihan faktor konvergensi
( )
µ
dan ordefilter (L) yang tepat sangat menentukan
kinerja kendali derau aktif karena
mempengaruhi stabilitas dan kecepatan
konvergensi.
2. Semakin besar faktor konvergensi maka
algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS) akan semakin
cepat konvergen. Jika terlalu besar
mengakibatkan sistem tidak stabil. Karena itu perlu ditentukan nilai optimalnya.
3. Hasil simulasi menunjukkan bahwa orde
yang besar cenderung optimal meredam derau pada faktor konvergensi yang kecil. Jadi faktor konvergensi berbanding terbalik dengan orde filter.
4. Kendali derau aktif dengan algoritma
Adaptive Line Enhacer - Least Mean Square (ALE - LMS) mampu meredam sinyal sinusoidal frekuensi 1000 Hz sebesar 28.3209 dB dan sinyal random 7.99 dB. Jadi algoritma Adaptive Line Enhacer - Least Mean Square (ALE - LMS) bekerja dengan lebih optimal
pada sinyal derau primer sinusoidal
dibandingkan sinyal random.
Daftar Pustaka
[1] Kuo, Sen M dan Morgan, Dennis R, ”Active
Noise Control Algorithm and DSP Implementations”, John Willy & Sons INC. .
New York:, 1996
[2] Fauzy, Sofyan, “Perancangan dan
Implementasi Sistem Kendali Derau Aktif Umpan Maju Dengan Algoritma X-LMS Berbasis TMS320C54X DSKPLUS Pada Saluran Akustik”, Tugas Akhir, ITB, 1998
[3] Resmana, Lim dan Patrick, Marco Jennifer,
”Reduksi Noise Akustik Secara Aktif Dengan Metoda Filtered-X Least Mean Square”., Tugas Akhir, Petra, Surabaya,
2002
[4] Husnaini, Irma, “Perancangan dan
Implementasi Sistem Kendali Derau Aktif Umpan Maju Broadband Pada Ruang Terbuka”, Tesis, ITB, 2005
[5] Haykin, Simon, ”Adaptive Filter Theory”,
Third Edition. New Jersey, Prentice-Hall International, INC, New Jersey, 2000
[6] Yuu-Seng Lau, Zahir M. Hussian and
Richard Harris. “A Time-Varying
Convergence Parameter for the LMS Algorithm in the Presence of White Gaussian Noise”, RMIT University. Australia, 2000
[7] “Acoustic Modeling and Adaptive Filtering”. http://www.ntu.edu.sg
[8] L.Hakansson. “The Filtered-x LMS
Algorithm”, www.its.bth.se
[9] Orlando J. Tobias, José Carlos M. Bermudez,
Member, IEEE, and Neil J. Bershad, Fellow, IEEE. “Mean Weight Behavior of the Filtered-X LMS Algorithm”,
www.eel.ufsc.br/~bermudez, IEEE, 2000 [10] “Theory of Active Noise Control”,
www.wa.wb.utwente.nl
[11] S.V.Narasimhan, S. Veena, H. Lokesha and
Savitha S. Shankarling, “Algorithms for
Active Noise Control and their Performance”. Aerospace Electronics and
Systems Division. Bangalore, India , 2005
BIODATA
Heru Dibyo Laksono, Lahir di Sawah Lunto, 7
Januari 1977. Menamatkan S1 di Jurusan Teknik Elektro Universitas Andalas (Unand) Padang tahun 2000 bidang Teknik Tenaga Listrik. Pendidikan S2 bidang Teknik Kendali dan Sistem diselesaikan di Institute Teknologi Bandung (ITB) tahun 2004. Masuk sebagai dosen Teknik Elektro Universitas Andalas sejak tahun 2005.
Email : heru_dl@ft.unand.ac.id
Uyung Gatot Syafrawi Dinata, Lahir di
Pandeglang, 9 Juli 1966. Menamatkan S1 di Jurusan Teknik Mesin Universitas Andalas (Unand) Padang tahun 1991. Pendidikan S2 bidang Teknik Mesin diselesaikan di Institute Teknologi Bandung (ITB) tahun 1994 dan S3 bidang Teknik Mesin & Transportasi di Technische Universitaet Berlin tahun 2002.